予測概念の多様性に対応した情報量規準の開発：計算統計的アプローチ

开发适应预测概念多样性的信息标准：计算统计方法

基本信息

批准号：
21K12067
负责人：
伊庭幸人
金额：
$ 1.58万
依托单位：
The Institute of Statistical Mathematics
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (C)
财政年份：
2021
资助国家：
日本
起止时间：
2021-04-01 至 2024-03-31
项目状态：
已结题

来源：
https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-21K12067/
关键词：
ベイズ統計 MCMC モデル選択 sensitivity 共変量シフト因果推論 Bayesian statistics causal inference covariate shift Markov chain Monte Carlo model selection WAIC PCIC 情報量規準マルコフ連鎖モンテカルロ法

项目摘要

前年度までに得た重み付き推論についてのモデル選択規準（PCIC for weighted inference）に関する研究成果がNeural Computation（IF=3.27)に掲載決定となった（第一論文）。当該論文のリバイズにあたっては、査読者のコメントに従って特異モデルへの応用に関する証明と数値実験を追加した。本論文で提案された規準は、共変量シフトのある場合や因果推論で傾向スコアの値が与えられている場合において有用であり、MCMCのアウトプットから容易に計算できる。また、対象をギブス損失の評価とベイズ期待値をプラグインした予測分布の評価に絞るかわりに、より一般の評価関数に拡張した情報量規準を提案した論文（arXiv:2206.05887v1、第二論文）を一流誌に投稿したが不採択となったため、他誌への再投稿を目指して改訂中である。こちらの論文では、プライバシー秘匿の問題など、現代的な興味に即した問題も扱っている。新たな方向として、事後共分散・事後キュムラントを利用した近似的なブートストラップ法、信頼区間のABC近似、バイアス補正、尤度の確率展開について研究した。バイアス補正および尤度の確率展開についての結果は特に独自性が高いものと思われる。これらの結果について所内のセミナーで議論し、論文にまとめるための準備を行っている。新型コロナ感染症の影響で、国内・海外の出張は行わなかったが、2023年度以降はより積極的に行う予定である。

关于上一年获得的加权推理的PCIC的研究结果已决定在神经计算中发表（如果= 3.27）（第一篇论文）。在修改论文时，根据同行评审者的评论，添加了有关应用于单数模型的应用的证明和数值实验。本文提出的标准在协变性偏移或因果推断中给出倾向得分值时很有用，并且可以轻松地从MCMC输出中计算出来。此外，本文提出的一份信息标准（ARXIV：2206.05887V1，第二篇论文）已提交给一流的期刊，但目前未接受，目前已将其与Re-submm的AIMN进行修订，而不是缩小对Gibbs损失的评估和对预测分布的评估和预测性分布的评估，而是提出了信息标准（ARXIV：2206.0587V1，第二篇论文）。本文还解决了与现代利益一致的问题，例如隐藏隐藏问题。新的方向包括使用事后协方差和事后累积物，置信区间的ABC近似，偏置校正以及可能性的概率扩展。偏见校正和概率扩展的结果似乎特别独特。这些结果将在内部的研讨会上进行讨论，并准备将其编译成纸张。由于COVID-19大流行的影响，我们尚未在国内或国际上进行业务旅行，但我们计划从2023年开始更积极地继续我们的业务。